广州数据分析就业培训班 2022-08-18 09:39:45
学校简介
十数年来，博为峰始终坚守教学品质，真诚服务学员，发展至今，每年毕业学员10000+，就业率长期保持在99%以上。博为峰已先后为7000多家国内外企业输送软件测试骨干及软件技术精英，未来还将根据产业变迁和技术革新开设更多的紧缺人才实训项目：帮助更多的应届毕业生和职场新人找到满意工作，实现职业梦想；帮助更多的用人单位轻松招到可用之才，推动企业发展和产业进步。
课程简介
数据分析师的定义和职业发展前景
数据分析师是指专门从事数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。阿里巴巴研究员薛贵荣曾表示，“数据分析师就是一群玩数据的人，玩出数据的商业价值，让数据变成生产力。”
随着数字经济的高速发展，国内数据分析人才出现了供不应求的状况，数据分析师更是被媒体称为“未来发展潜力的职业之一”。有媒体报道，美国的数据分析师平均年薪高达17.5万美元，而国内互联网公司，数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。
什么是大数据分析
课程内容
| 课程大纲 | 课题名称 | 课程内容 |
| 前导基础 | 数据分析入门 |
1、数据分析入门 2、数据分析的意义 3、数据分析的流程控制 4、数据分析的思路与方法 |
| 逻辑为先—XMIND |
1、xmind简介与基本使用 2、学习方法课堂案例 3、滴答拼车实战演练 4、其他思维导图介绍 |
|
| 专业展现—PPT |
1、专业展现——PPT 2、基本简介 3、几个不得不说的真相 4、经验分享 5、实战动画 |
|
| 数据分析工具安装与环璄配置 |
1、Excel工具的安装、配置与环璄测试 2、Power BI工具的安装、配置与环璄测试 3、Tableau工具的安装、配置与环璄测试 4、MySQL数据库的安装、配置与环璄测试 5、SPSS数据挖掘工具安装、配置与环璄测试 6、SAS数据挖掘工具安装、配置与环璄测试 7、Python开发工具的安装、配置与开发环璄测试 |
|
| Linux基础应用之大数据必知必会 |
1、虚拟机的安装配置 2、虚拟机网络配置 3、安装Linux 4、利用SSH连结Linux 5、Linux基础命令 6、Linux系统管理 |
|
| 数据分析的Python语言基础 |
1、Python课程的目的 2、使用JupyterLab 3、python数据类型 4、元组、列表、字典 5、python分支结构 6、python字符串处理+随机函数 7、pthon循环结构 8、python面向过程函数操作 9、python面向对象 |
|
| 问题定义与数据获取 | 数据分析项目流程 |
1、问题界定 2、问题拆分 3、指标确定 4、数据收集 5、报告方案 6、趋势预测 7、数据分析 8、趋势预测 9、报告方案 |
| 问题的定义 |
1、边界：明确问题的边界 2、逻辑：确定业务的关键指标和逻辑 3、定性分析与定量分析 |
|
| 分析问题的模型 |
基于经典的模型 1、5W2H 2、SWORT 3、4P管理模型 4、CATWOE 5、STAR原则、波士顿5力模型 基于业务的模型 1、用户画像 2、 销售影响因素 3、市场变化因素 4、AARRR流量模型 5、金定塔思考方法 |
|
| 数据清洗与处理 |
1、数据科学过程 2、数据清洗定义 3、数据清洗任务 4、数据清洗流程 5、数据清洗环境 6、数据清洗实例说明 7、数据标准化 8、数据格式与编码 9、数据清洗常用工具 10、数据清洗基本技术方法 11、数据抽取 12、数据转换与加载 |
|
| 内部数据的获取 |
1、产品数据 2、用户数据 3、行为数据 4、订单数据 |
|
| 外部公开数据 |
1、开放网站 2、政务公开数据 3、数据科学竞赛 4、数据交易平台 5、行业报告 6、指数平台 |
|
| Web网站数据抓取 |
1、财经数据抓取 2、投资数据抓取 3、房产数据抓取 4、舆情数据抓取 5、娱乐数据抓取 6、新媒体数据抓取 |
|
| 数据查询与提取 | SQL基础操作 |
1、建库 2、建表 3、建约束 4、创建索引 5、添加、删除、修改数据 |
| 利用SQL完成数据的预处理 |
1、缺失值处理：对缺失数据行进行删除或填充 2、重复值处理：重复值的判断与删除 3、异常值处理：清除不必要的空格和异常数据 |
|
| 利用SQL进行业务数据查询 |
1、利用SQL进行简单的业务数据查询 2、利用SQL完成复杂条件查询 3、利用多表关联完成复杂业务查询 4、利用嵌套子查询完成复杂业务数据分析 |
|
| 高级SQL分析 |
1、聚合、分组、排序 2、函数 3、行列转换 4、视图与存储过程 |
|
| 业务指标统计分析 |
1、业务数据表关联查询及查询 2、结果纵向融合 3、⽇常业务需求数据宽表构建 4、应⽤⼦查询处理复杂业务 |
|
| 数理统计基础 | 数据分析的数学基础 |
1、计算和连续函数的性质 2、导数/微分的概念和运算法则 3、积分的概念和运算法则 4、幂级数、泰勒级数、傅里叶级数、傅里叶变换 5、向量的概念和运算 6、矩阵的转置、乘法、逆矩阵、正交矩阵、SVD奇异值分解、特征值 7、行列式的计算和性质 8、凸优化 |
| Python数据分析 | 基于Numpy库的Python数据科学计算 |
1、创建数组 2、切片索引 3、数组操作 4、字符串函数 5、数学函数 6、统计函数 |
| 基于Pandas库的Python数据处理与分析 |
1、直方图：探索变量的分布规律 2、条形图：展示数值变量的集中趋势 3、散点图：表示整体数据的分布规律 4、箱线图：表示数据分散性，中位数 5、提琴图：分位数的位置及数据密度 6、回归图：寻找数据之间的线性关系 7、热力图：表未数值的大小或者相关性的高低 |
|
| 大数据分析 | HIVE大数据查询平台搭建 |
1、大数据概述 2、⼤数据集群 Hadoop 架构 3、Hive开发环璄搭建 |
| HIVE与MySQL进行数据交换 |
1、从MySQL中导入数据到Hive 2、从Hive导出数据到MySQL |
|
| HQL海量业务数据需求查询 |
1、Hive数仓 2、HQL 数据查询基础语法 |
|
| HQL海量业务数据需求查询 |
1、从MySQL中导入数据到Hive 2、从Hive导出数据到MySQL |
|
| HQL业务数据指标统计分析 |
1、分区表 2、分桶表 3、关联表 4、数据查询 |
|
| HQL海量数据查询优化 |
1、常⽤内置函数及开窗函数 2、特殊类型数组查询⽅式 3、HQL 查询语句优化技巧 |
|
| 建模与数据挖掘 | 数据挖掘与分析算法 |
1、描述统计 2、相关分析 3、判别分析 4、方差分析 5、时间序列分析 6、主成分分析 7、信度分析 8、因子分析 9、回归分析 10、对应分析 11、列联表分析 12、聚类分析 |
| 数据挖掘工具SPSS |
1、从MySQL中导入数据到Hive 2、从Hive导出数据到MySQL |
|
| HQL海量业务数据需求查询 |
1、课程规划与简介 2、数据挖掘项目生命周期 3、简单的统计学基础 4、用Modeler试手挖掘流程 5、数据挖掘的知识类型 6、商业分析基础简介 7、信度分析 8、因子分析 9、回归分析 10、对应分析 11、列联表分析 12、聚类分析 |
|
| 数据挖掘工具SAS |
1、SAS概述：SAS简介与教育版安装 2、SAS概述：教育版基本使用 3、SAS编程基础 4、SAS编程基础7-循环 5、SAS数据集操作1-合并 6、SAS数据集操作2-排序与对比 7、SAS数据集操作3-查重与筛选 8、练习-斐波那契数列 9、练习-百元百鸡问题 |
|
| 人工智能预测算法 | 人工智能实战十大预测数据算法 |
1、机器学习入门 2、sk-learn机器学习库 3、十大预测算法原理与使用场景 4、算法调用、参数设置 5、特征选择、特征工程 6、回归预测模型实战 7. 分类预测试模型实战 8. 聚类模型实战 9、集成学习 10、模型优化 |
| 可视化商业报告撰写 | 商业智能与可视化分析实战 |
案例-1：BI电商数据市场分析项目实战 案例-2：BI电商数据客户分析项目实战 案例-3：BI可视化关于公司运营情况的相关分析 案例-4：基于Tableau的客户主题对客户进行合理分群 案例-5：基于Tableau的营销主题分析如何衡量媒体的营销价值 案例-6：基于Tableau的保公司索赔情况分析 |
| 数据可视化报告撰写 |
1、数据可视化的概念 2、 数据可视化的意义 3、 数据可视化的对比 4、 数据可视化的分类 5、数据可视化图表举例 6、 数据可视化应用领域 7、数据可视化步骤 8、 数据可视化工具梯度 9、图表呈现流程 10、数据报告撰写 |
|
| 实战：O2O电商平台功能优化效果评估及可视化数据分析报告撰写 |
1、了解电商业务背景 2、以客户分析为应用场景，对数据进行加载、清洗、分析及模型建立 3、以货品分析为应用场景，针对品类销售及商品销售进行分析 4、以流量分析为应用场景，针对流量渠道及关键词做有效分析 5、根据业务实际背景做舆情分析 6、将分析结果及建议制成报告进行发布 |
|
| 商业分析项目实战 | 五大商业项目实战 |
商业项目实战01：电商数据分析——分析方式之漏斗模型及数据量化 商业项目实战02：电商用户行为与营销模型实战 商业项目实战03：金融风控模型的构建与分析实战 商业项目实战04：展会电话邀约项目数据分析实战 商业项目实战05：零售行业数据分析 |
